摘要
2008年以前，肾小球滤过率的估算都是依托于传统经验方程和推广不广泛、应用有限制的临床方法。随着机器学习的日益兴起和机器学习算法在其他预测领域中对预测性能的提升，将机器学习算法应用于肾小球滤过率估算，由此肾小球滤过率估算得到了长足的发展。本文在前人工作的基础之上，研究了基于传统机器学习中的回归模型、卷积神经网络和多层感知机的肾小球滤过率估算，并使用支持向量机对卷积神经网络结构做出改进，论文的主要工作归纳如下： 1.鉴于传统机器学习回归模型在肾小球滤过率估算领域中出现较少，且在众多的预测领域研究表明回归模型可以提升预测性能，故本文使用常用的四种回归预测模型用于肾小球滤过率估算，并采用三种常见的特征提取方法对变量进行选择。最终将四种回归方法和三种特征提取方法组成混合模型，选取出最优传统机器学习回归模型用于提升肾小球滤过率估算性能。 2.鉴于卷积神经网络和多层感知机在预测领域中的优异表现，本文将卷积神经网络和多层感知机应用于肾小球滤过率估算当中。此外，由于全连接层在实现估算时容易陷入局部最优和过拟合问题，采用支持向量机替代卷积神经网络中的全连接层，更好地实现神经网络的估算性能。通过大量实验表明，本文提出的融合支持向量机的卷积神经网络混合模型相较于卷积神经网络和多层感知机来说效果更好。
NETL